CN116599811B - 一种时间调制天线阵列的多载波定向调制方法 - Google Patents
一种时间调制天线阵列的多载波定向调制方法 Download PDFInfo
- Publication number
- CN116599811B CN116599811B CN202310875276.3A CN202310875276A CN116599811B CN 116599811 B CN116599811 B CN 116599811B CN 202310875276 A CN202310875276 A CN 202310875276A CN 116599811 B CN116599811 B CN 116599811B
- Authority
- CN
- China
- Prior art keywords
- particles
- population
- algorithm
- particle swarm
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000002245 particle Substances 0.000 claims abstract description 126
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000013459 approach Methods 0.000 claims abstract description 5
- 238000013461 design Methods 0.000 claims abstract description 5
- 239000006185 dispersion Substances 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000035772 mutation Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000010587 phase diagram Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
- H04L27/3405—Modifications of the signal space to increase the efficiency of transmission, e.g. reduction of the bit error rate, bandwidth, or average power
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明提供了一种时间调制天线阵列的多载波定向调制方法，涉及雷达通信技术领域，包括：根据时间调制天线阵列的波束设计以及BPSK调制模式构建优化问题，利用粒子群优化算法进行求解：使用基于反向学习的策略生成粒子群优化算法的初始种群；进行分散搜索：将初始种群分为多个子种群，以使子种群能够从各个方向快速逼近可行域；在当前种群内已经有部分粒子进入可行域的情况下，停止分散搜索，进行局部搜索：根据约束违反值的大小去除若干粒子，留下靠近可行域的粒子来继续执行粒子群算法；在每次进化迭代中，对种群中最优粒子的所有维度进行多次突变。本发明优化了粒子群算法，有效提高了算法的搜索能力，进而优化了调制过程，节省了计算资源。
Description
技术领域
本发明涉及雷达通信技术领域，具体而言，涉及一种时间调制天线阵列的多载波定向调制方法。
背景技术
无线通信收发系统因其传播空间的开放性，使得信息在传输过程中存在泄露的风险。方向调制(Directional Modulation)技术能够在无线通信物理层实现信息的安全传输。近年来，方向调制作为无线物理层安全的关键技术引起了众多学者的广泛研究。与三维空间中的传统阵列不同，时间调制阵列是在阵列设计中引入第四维度“时间”来形成的，即利用RF开关控制天线的打开和闭合时间对传统阵列进行时间调制。这些系统的主要局限性与波束形成网络中射频开关的周期性通断、换相引起的边带辐射有关。基于进化算法的优化策略为解决边带辐射这一问题提供了一种有效的切换方案，文献(G. Huang, Y. Dingand S. Ouyang, "Multicarrier Directional Modulation Symbol Synthesis UsingTime-Modulated Phased Arrays," in IEEE Antennas and Wireless PropagationLetters, vol. 20, no. 4, pp. 567-571, April 2021)提出使用时间调制相控阵来合成多载波方向调制，其中利用粒子群算法寻求天线开关时间。在实现本发明的过程中，发明人发现：根据现有的基于时间调制阵列的方向调制多载波波形设计方案，当数据需要在f0+fp和f0+2fp的子载波上进行二进制相移键控(BPSK)调制时，需要通过设置调制周期内每个天线的开关时间来设计出四种可能的符号组合“00”，“01”，“11”，“10”，利用粒子群算法求解天线开关时间时，由于天线个数较多，导致粒子群算法中种群个体位置的维度较高，利用粒子群算法求解会有较高的时间复杂度，且容易陷入局部最优解，导致无法搜索到较低的旁瓣电平。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一，公开了一种时间调制天线阵列的多载波定向调制方法，节省了计算资源，提高了算法的运算速度，有效地提高了算法的搜索能力，防止陷入局部最优。
本发明的第一方面公开了一种时间调制天线阵列的多载波定向调制方法，包括：根据时间调制天线阵列的波束设计以及BPSK调制模式构建优化问题，即星座点由方程（a）的四组解定义：
（a）
其中，表示天线阵列的远场因子，N为天线个数，为谐波次数，为期
望方向角，、分别是归一化后的天线开启时刻，天线开启状态持续的时间和
天线pi 相位延迟状态持续的时间，是生成的星座组合的索引，n=1、2、3或4；
利用粒子群优化算法对方程（a）进行求解，即粒子群优化算法的目标函数值：
，
其中，B为期望的最大值；
使用基于反向学习的策略生成粒子群优化算法的初始种群；
进行分散搜索：将初始种群分为多个子种群，以使子种群能够从各个方向快速逼近可行域；
在当前种群内已经有部分粒子进入可行域的情况下，停止分散搜索；
进行局部搜索：根据约束违反值的大小去除若干粒子，留下靠近可行域的粒子来继续执行粒子群算法；
在每次进化迭代中，对种群中最优粒子的所有维度进行多次突变，即使用的突变策略，其中，是
突变概率，是突变速度，表示第次突变，、分别是种群中的最优粒子和
两个随机选择的粒子。
根据本发明公开的时间调制天线阵列的多载波定向调制方法，优选地，粒子群优
化算法实现进化的模型包括：，其中，是粒子的速度，是粒子的
位置；速度更新公式为：，其中，是种群中每个粒子经历过的最好位置，是整个种群经历过的最好位置，上标表
示第次迭代，和是0到1之间的随机数，和是加速因子，ω是惯性权重。
根据本发明公开的时间调制天线阵列的多载波定向调制方法，优选地，使用基于
反向学习的策略生成粒子群优化算法的初始种群的步骤具体包括：设置算法迭代次数，生成一个随机种群，定义是维空间的一
个点，对应的反向点由公式： 计算得出，其中,；将两个种群混合计算每个粒子的约束违反值，即主瓣电平与
旁瓣峰值电平期望差值与每个粒子主瓣电平与旁瓣峰值电平实际差值的差，按照从小到大
的顺序对求得的约束违反值进行选取，选出对应的前M个粒子，形成新的初始种群。
根据本发明公开的时间调制天线阵列的多载波定向调制方法，优选地，分散搜索的步骤具体包括：
第一步：设置，在维空间中随机选取不在初始种群中的个参考点；
第二步：在找到与有最近欧氏距离的粒子；
第三步：在找到与有最近欧氏距离的个粒子，形成子种群，是子种群
中粒子个数 ；
第四步：将这个粒子从初始种群中剔除，返回第二步，令，直到；
第五步：对每个子种群分别执行粒子群算法且每次迭代都令算法迭代次数，直到，是可行解占整个种群的预设比例，M为粒子数，为约束违反值
为0的粒子数。
根据本发明公开的时间调制天线阵列的多载波定向调制方法，优选地，局部搜索的步骤还包括：
改变粒子群算法的搜索优先级：在更新粒子时选择目标函数值或约束违反值较小
的一个： （在更新粒子时，将粒子的目标函数值和约束违反值与上
一代粒子的目标函数值和约束违反值进行对比，选择目标函数值或约束违反值有所减小的
粒子），在继续执行粒子群算法的过程中，每次迭代仍令，直到，其中，为
最大迭代次数。
根据本发明公开的时间调制天线阵列的多载波定向调制方法，优选地，突变策略具体包括：
如果突变点比差，则保持不变，并降低突变概率；
如果突变点比好，则取代，并增加突变概率；
即：
其中，表示第次突变，是膨胀系数，是收缩系数；
当突变概率小于设定的收敛值时，突变停止。
本发明的有益效果至少包括：本发明优化了粒子群算法，将其应用到基于时间调制阵列的多载波方向调制方案中，节省了计算资源，提高了算法的运算速度，有效地提高了算法的搜索能力，防止陷入局部最优，降低了旁瓣电平。优化后的粒子群算法收敛速度比经典算法更快，随着约束条件的提高，优化后粒子群算法的收敛速度受到的影响较小，陷入局部最优位置的可能性较小。
附图说明
图1示出了根据本发明实施例的局部突变策略的流程图。
图2示出了根据本发明实施例的的3种情况的示意图。
图3示出了根据本发明实施例的粒子剔除过程的二维示意图。
图4示出了根据本发明实施例的时间调制阵列发射机结构示意图。
图5示出了根据本发明实施例的应用改进后粒子群算法后获得的远场波束图。
图6示出了根据本发明实施例的应用改进后粒子群算法后获得的相位图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例的限制。
基础的时间调制阵列发射机结构如图4所示，每个天线都连接到单极三掷开关（SP3T）。每个SP3T开关可以将天线激励设置为“开”、“关”和“π相位延迟”，分别表示为“1”、“0”和“-1”。
考虑到具有均匀间距d的N个相同天线的线性阵列，没有噪声和干扰的阵列的远场因子可以表示为：
(1)
其中，是以阵列视轴为基准的辐射方向。表示为第个开关在
时域中的周期序列函数。被表示为：
(2)
在一个周期内的3种情况参见图2。
是一个周期为的周期函数，根据傅里叶级数理论，可以扩展为：
(3)
其中时间调制频率，这里我们定义：
(4)
将(3)和(4)带入(1)中，可以得到远场辐射图：
(5)
远场模式可以被视为沿方向的检测信号，因此，在频率处，沿
着传输的信号可以表示为：
(6)
为了在方向合成信息符号，需要在同相-正交空间合成所有可能的
星座点组合，如果要在频率与，空间方向 、，分别合成BPSK符号，则
需要找到四组解合成四组可能的星座点组合,因此下列方程需要有解：
(7)
因为上述方程没有解的闭合表达式，因此本发明利用粒子群优化算法求解，粒子
群算法是一种基于种群的智能优化算法，它在解决连续和离散问题方面表现出优异的性
能，粒子群算法实现进化的模型：，其中是粒子的速度，是粒子
的位置；速度更新公式为：，其
中，是种群中每个粒子经历过的最好位置，是整个种群经历过的最好位置；上标表示第次迭代；和是0到1之间的随机数；和是加速因子；ω是惯性权重，为了得
到更低的旁瓣电平和更短的计算时间，本发明提出了一种改进的粒子群算法，改进优化粒
子群算法具体实现步骤如下：
步骤1，设置算法迭代次数，使用基于反向学习的策略生成初始种群, 粒子群的规模为。反向策略的主要思想是：如果在最优位置附
近生成个体，那么种群将在迭代过程中快速收敛。因此，我们考虑反向个体，两种粒子接近
最优粒子的概率都为。通过选择更优的个体加入初始种群来降低初始种群的随机性，
从而提高了初始种群的质量和算法的收敛速度。反向策略生成种群的基本流程如下：
第一步，生成一个随机种群，假设是维
空间的一个点，对应的反向点由公式（8）计算：
(8)
其中,。
第二步：将两个种群混合，计算每个粒子的约束违反值，即主瓣电平与旁瓣峰值电
平期望差值与每个粒子主瓣电平与旁瓣峰值电平实际差值的差。选择约束违反值较小的
个粒子形成新的初始种群。
步骤2，计算初始种群的目标函数值
和约束违反值。计算可行解的个数，即约束违反值为0的个体。
步骤3，如果（是可行解占整个种群的预设比例）进入分散搜索模式，当可
行区域占据整个搜索空间的很小部分时，种群迭代后可能很难出现可行解。在这种情况下，
种群无法快速接近可行域，甚至进化会停滞在不可行区域中的局部最优解上，此时大多数
粒子对种群进化的贡献很小。为了解决这个问题，引入了分散搜索。其主要思想是：将种群
分为多个子种群，使其从各个方向快速逼近可行域。具体分组方式如下：
第一步：设置。在维空间中随机选取不在初始种群中的个参考点；
第二步：在找到与有最近欧氏距离的粒子，注意，欧式距离是在决策空间
中计算得到的；
第三步：在找到与有最近欧氏距离的个粒子，形成子种群（是子种群
中粒子个数 ）；
第四步：将这个粒子从初始种群中剔除，返回第二步且令,直到；
第五步：对每个子种群分别执行粒子群算法且每次迭代都令算法迭代次数，直到，进入局部搜索模式。
步骤4，进入局部搜索模式。当前种群内已经有部分粒子进入可行域，为了提高算法速度和搜索能力，我们不再采取分组搜索的方式，而是去除掉一些约束违反值仍然大的粒子，留下在可行域附近的粒子来继续执行粒子群算法。为了提高可行域中的粒子搜索能力，我们改变了本阶段粒子群算法的搜索优先级，即在更新粒子时，选择目标函数值或约束违反值较小的一个：
(9)
即在更新粒子时，将粒子的目标函数值和约束违反值与上一代粒子的目标函数值
和约束违反值进行对比，选择目标函数值或约束违反值有所减小的粒子，这是因为在可行
域附近的粒子将被最优粒子引入可行域，而可行域中的粒子只需要追求最优解。每次迭代
仍令，直到（为最大迭代次数）。去掉部分粒子的原因是这些粒子距离可
行域太远，无法在接下来的种群进化中起到积极作用，其过程如图3所示。
最后，由于粒子群算法的种群进化模式主要依赖于粒子和种群的历史最优经验。
为了提高算法的搜索能力和收敛效率，采用自适应微分进化对种群中的最优粒子进行扰
动。在每次进化迭代中，我们对种群中最优粒子的所有维度进行多次突变（使用的突变策略，其中是
突变速度表示第次变异，，，分别是种群中的最优粒子和两个随机选择的
粒子），促使粒子突破当前位置。
如果突变点比差，则保持不变，并降低突变概率。如果突变点比好，则取代，并增加突变概率：
(10)
其中，表示第次变异，是膨胀系数，是收缩系数。当变异概率小于设定的收
敛值时，变异将停止。通过该策略，可以在相邻解空间中充分搜索，提高算法的局部搜索
能力，防止算法过早收敛，具体流程参见图1。
假设所有用户位于不同的方向，通过改进的粒子群算法获得的远场波束和相位图如图5和图6所示，两个独立的BPSK符号流是沿着选定的角度方向合成20◦和45◦，具有良好的指向性和相似的波形，在期望方向上保持了给定的星座映射，同时其它方向的星座图被扰乱。此外，改进的粒子群算法的收敛速度比经典算法更快。随着约束条件的提高，改进算法的收敛速度受到的影响较小，陷入局部最优位置的可能性较小。在一些特殊情况下，经典粒子群算法几乎不可能找到最优解，而改进的粒子群算法仍然可以找到较低的旁瓣电平。采用本发明公开的优化粒子群算法经过400次迭代和10次重复实验优化算法需要114秒，而经典算法需要132秒。综上所述，本发明至少具有两点显著进步：1）将粒子群算法根据可行解的比例分为两个阶段，节省了计算资源，提高了算法的运算速度；2）利用分散搜索，局部搜索模式和局部变异策略，有效地提高了算法的搜索能力，防止陷入局部最优，降低了旁瓣电平。
上述实施例的各种方法中的全部或部分步骤是可以通过程序来控制相关的硬件来完成，该程序可以存储于可读存储介质中，存储介质包括只读存储器(Read—OnlyMemory，ROM) 、随机存储器(Random Access Memory，RAM) 、可编程只读存储器(Programmable Read-only Memory，PROM) 、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM) 、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM) 、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM) 、只读光盘(CompactDisc Read—Only Memory，CD-ROM) 或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的可读的任何其他介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种时间调制天线阵列的多载波定向调制方法，其特征在于，包括：
根据时间调制天线阵列的波束设计以及BPSK调制模式构建优化问题，即星座点由方程（a）的四组解定义：
（a）
其中，表示天线阵列的远场因子，N为天线个数，/>为谐波次数，/>为期望方向角，/>、/>分别是归一化后的天线开启时刻，天线开启状态持续的时间和天线pi 相位延迟状态持续的时间，/>是生成的星座组合的索引，n=1、2、3或4；
利用粒子群优化算法对方程（a）进行求解，即粒子群优化算法的目标函数值：
，
其中，B为期望的最大值；
使用基于反向学习的策略生成粒子群优化算法的初始种群；
进行分散搜索：将所述初始种群分为多个子种群，以使所述子种群能够从各个方向快速逼近可行域；
在当前种群内已经有部分粒子进入可行域的情况下，停止分散搜索；
进行局部搜索：根据约束违反值的大小去除若干粒子，留下靠近可行域的粒子来继续执行粒子群算法；
在每次进化迭代中，对种群中最优粒子的所有维度进行多次突变，即使用的突变策略，其中，/>是突变概率，/>是突变速度，/>表示第/>次突变，/>、/>分别是种群中的最优粒子和两个随机选择的粒子。
2.根据权利要求1所述的时间调制天线阵列的多载波定向调制方法，其特征在于，所述粒子群优化算法实现进化的模型包括：，其中，/>是粒子/>的速度，/>是粒子/>的位置；
速度更新公式为：，
其中，是种群中每个粒子经历过的最好位置，/>是整个种群经历过的最好位置，上标/>表示第/>次迭代，/>和/>是0到1之间的随机数，/>和/>是加速因子，ω是惯性权重。
3.根据权利要求2所述的时间调制天线阵列的多载波定向调制方法，其特征在于，所述使用基于反向学习的策略生成粒子群优化算法的初始种群的步骤具体包括：
设置算法迭代次数，生成一个随机种群/>，定义是/>维空间的一个点，对应的反向点/>由公式： 计算得出，其中/>,/>；
将两个种群混合计算每个粒子的约束违反值，即主瓣电平与旁瓣峰值电平期望差值与每个粒子主瓣电平与旁瓣峰值电平实际差值的差， 按照从小到大的顺序对求得的约束违反值进行选取，选出对应的前M个粒子，形成新的初始种群。
4.根据权利要求3所述的时间调制天线阵列的多载波定向调制方法，其特征在于，所述分散搜索的步骤具体包括：
第一步：设置，在/>维空间中随机选取不在初始种群中的/>个参考点；
第二步：在找到与/>有最近欧氏距离的粒子/>；
第三步：在找到与/>有最近欧氏距离的/>个粒子，形成子种群，/>是子种群中粒子个数 />；
第四步：将这个粒子从初始种群中剔除，返回第二步，令/>，直到/>；
第五步：对每个子种群分别执行粒子群算法且每次迭代都令算法迭代次数，直到/>，/>是可行解占整个种群的预设比例，M为粒子数，/>为约束违反值为0的粒子数。
5.根据权利要求4所述的时间调制天线阵列的多载波定向调制方法，其特征在于，所述局部搜索的步骤还包括：
改变粒子群算法的搜索优先级：在更新粒子时，将粒子的目标函数值和约束违反值与上一代粒子的目标函数值和约束违反值进行对比，选择目标函数值或约束违反值有所减小的粒子，即在继续执行粒子群算法的过程中，每次迭代仍令，直到/>，其中，为最大迭代次数。
6.根据权利要求1至5中任一项所述的时间调制天线阵列的多载波定向调制方法，其特征在于，所述突变策略具体包括：
如果突变点比/>差，则/>保持不变，并降低突变概率/>；
如果突变点比/>好，则/>取代/>，并增加突变概率/>；
即：
其中，/>表示第/>次突变，/>是膨胀系数，/>是收缩系数；
当突变概率小于设定的收敛值/>时，突变停止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875276.3A CN116599811B (zh) | 2023-07-18 | 2023-07-18 | 一种时间调制天线阵列的多载波定向调制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875276.3A CN116599811B (zh) | 2023-07-18 | 2023-07-18 | 一种时间调制天线阵列的多载波定向调制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116599811A CN116599811A (zh) | 2023-08-15 |
| CN116599811B true CN116599811B (zh) | 2023-09-12 |
Family
ID=87612108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310875276.3A Active CN116599811B (zh) | 2023-07-18 | 2023-07-18 | 一种时间调制天线阵列的多载波定向调制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116599811B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101217345A (zh) * | 2008-01-18 | 2008-07-09 | 西安电子科技大学 | 一种垂直分层空时编码通信系统的检测方法 |
| CN107294589A (zh) * | 2017-08-03 | 2017-10-24 | 哈尔滨工业大学 | 基于粒子群优化算法的多波束卫星阵列天线方向图综合方法 |
| CN109143275A (zh) * | 2018-07-30 | 2019-01-04 | 中国电子科技集团公司第五十四研究所 | 一种基于粒子群的小型化阵列天线抗干扰实现方法 |
| CN114547817A (zh) * | 2022-01-24 | 2022-05-27 | 浙江大学 | 基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法 |
| CN114757322A (zh) * | 2022-04-07 | 2022-07-15 | 重庆大学 | 一种多样搜索策略离散粒子群算法 |
-
2023
- 2023-07-18 CN CN202310875276.3A patent/CN116599811B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101217345A (zh) * | 2008-01-18 | 2008-07-09 | 西安电子科技大学 | 一种垂直分层空时编码通信系统的检测方法 |
| CN107294589A (zh) * | 2017-08-03 | 2017-10-24 | 哈尔滨工业大学 | 基于粒子群优化算法的多波束卫星阵列天线方向图综合方法 |
| CN109143275A (zh) * | 2018-07-30 | 2019-01-04 | 中国电子科技集团公司第五十四研究所 | 一种基于粒子群的小型化阵列天线抗干扰实现方法 |
| CN114547817A (zh) * | 2022-01-24 | 2022-05-27 | 浙江大学 | 基于全局增强型鲸鱼优化算法的稀疏传感器阵列设计方法 |
| CN114757322A (zh) * | 2022-04-07 | 2022-07-15 | 重庆大学 | 一种多样搜索策略离散粒子群算法 |
Non-Patent Citations (1)
| Title |
|---|
| 尹晓慧，张宝菊，王 为，雷 晴.《计算机工程》.2012,226-247页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116599811A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111901862B (zh) | 一种基于深度q网络的用户分簇与功率分配方法、设备和介质 | |
| Chai et al. | Applying adaptive and self assessment fish migration optimization on localization of wireless sensor network on 3-D Te rrain. | |
| CN108808266A (zh) | 一种用于不规则子阵排列的四维天线阵联合优化方法 | |
| Hung | Using evolutionary computation technique for trade-off between performance peak-to average power ration reduction and computational complexity in OFDM systems | |
| CN109214088B (zh) | 一种最小间距可控的大规模超稀疏平面阵列快速布局方法 | |
| Pan et al. | Diversity Enhanced Ion Motion Optimization for Localization in Wireless Sensor Network. | |
| CN116599811B (zh) | 一种时间调制天线阵列的多载波定向调制方法 | |
| Chen et al. | An iterative FFT-based antenna subset modulation for secure millimeter wave communications | |
| Elahi et al. | Reduction of out of Band Radiation in Non-Contiguous OFDM Based Cognitive Radio System using Heuristic Techniques. | |
| CN110082731B (zh) | 一种连续相位的mimo雷达最优波形设计方法 | |
| Gupta et al. | Multi-uav deployment for noma-enabled wireless networks based on imogwo algorithm | |
| CN114641006A (zh) | 一种基于二进制蜻蜓优化算法的认知无线电网络的频谱分配方法 | |
| CN111881609B (zh) | 一种等离子体材料隐身参数的配置方法和装置 | |
| Halder et al. | Self adaptive cluster based and weed inspired differential evolution algorithm for real world optimization | |
| Elahi et al. | Interference reduction in cognitive radio networks using genetic and firefly algorithms | |
| CN106372726B (zh) | 一种基于gasa的mimo雷达正交编码信号优化方法 | |
| Han et al. | Resource management of opportunistic digital array radar antenna aperture for pattern synthesis | |
| He et al. | Clustering algorithm based on azimuth in mmwave massive mimo-noma system | |
| Ebrahimzadeh et al. | Intelligent digital signal-type identification | |
| CN106980733A (zh) | 一种改进的四维稀布阵旁瓣抑制方法 | |
| CN113766492A (zh) | 一种安全Massive MIMO网络资源配置方法 | |
| CN113807254A (zh) | 基于分层自组织映射数字信号调制方式的智能化聚类方法 | |
| Zhang et al. | Nonuniform antenna array design by parallelizing three-parent crossover genetic algorithm | |
| Wang et al. | PAPR reduction with low computational complexity for OFDM systems | |
| Kashyap et al. | Fuzzy-kohonen self-organizing clustering algorithm in wireless sensor networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |